股票代码:600728

EN/CN

news center

新闻中心

安防下一个热点战场:ReID系列 之 千视通先行一步

2018 |2018-11-30

640.webp.jpg

安防市场的下一个热点会出现在哪里,或者准确的说视频监控的下一个热点在哪里?无疑ReID肯定是其中的一个热点。人脸识别技术虽好,但是要是看不见人脸,怎么办?这是摆在我们面前的一个问题。事实上,遍布城市里面的摄像机里面,扣除卡口摄像机、电子警察用的抓拍摄像机之外,符合人脸采集标准的摄像机相对而言凤毛麟角,占比极少。而要最大限度挖掘传统平安城市、天网工程的治安摄像机的潜力,无疑ReID是不二之选。

ReID(Person Re-identification),也称为行人重识别、行人再识别、跨镜追踪,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,广泛被认为是一个图像检索的子问题,目前主要应用于安防领域,未来与人脸识别相结合能够应用于更多更丰富的场景。

千视通(全称“苏州千视通视觉科技股份有限公司”)是佳都科技参股公司,算是安防行业最早开展人工智能的企业之一,以视频结构化、尤其是非机动车结构化见长,闻名于安防圈,这几年默默发力,积蓄能量,不鸣则已一鸣惊人。据10月29日报道:

千视通目前在Market 1501上的首位命中率(Rank-1 Accuracy)已经达到97.1%,超越人眼识别能力(94%),领先头部厂家,并刷新了今年4月公布的96.6%的世界纪录。


ReID的出现:为“跨镜找人”而生

ReID 由以往没有太多人留意到现在开始有产品上的应用,经历了一段非常漫长的时间。由于最早期完全依赖于传统计算机视觉或机器学习的技术,所以基本上没有明显的突破。ReID 本身是一个非常难的问题,它是要从不同的视频之中,把同一个人识别出来。视频光照条件的不同、感兴趣区域的分辨率和角度的不同、目标被遮挡的情况普遍、穿着相近衣服的人等等,都会造成识别的困难。


ReID: 让监控获得“大局观”

对于监控领域来说,ReID引申出来在实际应用上,就是希望把不同视频内的物体关联起来,并可以透过有效的方法把物体找出来,能做到这样,整个监控操作才完整,才能看到大局。


ReID技术难点分析 

相比于人脸识别来说,ReID在实际应用场景下的数据非常复杂,由于不同摄像设备之间的差异,同时行人兼具刚性和柔性的特性 ,外观易受穿着、尺度、遮挡、姿态和视角等影响,所以,对跨镜追踪(ReID)算法的要求也更高。

比如,实际应用中常常出现:

  1. 无正面照

  2. 服装更换

  3. 遮挡

  4. 图像分辨率低

  5. 光线差异

  6. 室内室外场景变化

ReID在采集数据的时候难度也是非常大:

  1. 需跨摄像头采集

  2. 公开数据集的数据规模非常小

  3. 影响因素复杂多样

  4. 数据一般都是视频的连续截图

  5. 同一个人最好有多张全身照片

  6. 互联网提供的照片基本无法用在 ReID

  7. 监控大规模搜集涉及到数据,涉及到用户的隐私问题

数据获取难度大,就意味着对算法提出了更大的挑战。


ReID之生成:两种基本算法

一般方法是把人的身体划分成不同部分,以不同的方法把这些部分检测出来,并进行局部特征提取。可是,任凭你怎样细化划分,该部分也会有某程度上的非刚体特性,这样仍是会对算法造成干扰。

另一种比较准确的方法是考虑对齐,就是说,把两张将要比对的图片,以某种方法先对齐好,例如相同的头部位置和脚部位置,并在匹配时只考虑有用的部分。当然,说起来是这么简单,实际算法要做到这回事是一件进阶的事情,因为这部分一般会内嵌到神经网络。

除此之外,业界一般会附加一些网络设计技巧再提高特征提取的准确度,例如使用多分支多任务网络,而最后再用 re-ranking来进一步提升准确度。


千视通ReID算法创新:基于注意力架构的深度神经网络方案

千视通所用的方法,概念上相近,都是尽可能考虑最重要的部分进行特征提取及比对。然而,千视通提出基于注意力架构模型的深度神经网络方案来实现行人ReID。与传统的全局表征或设定好的局部分割不同,千视通设计的主躯干网络不要求躯干位置的标注,模型能够从浅层视觉到高层语义的不同空间内自动捕捉关键区域,挖掘多尺度的注意力特征,自动实现行人肢体(如面部,上身及下身)的特征融合,对于姿态改变以及空间变化有着很好的鲁棒性,有效的完成行人搜索工作。

640.webp (1).jpg

千视通ReID技术原理图

在千视通在实际的产品则试时,发现即使不使用 re-ranking,对于 Market-1501数据库,top-1 准确度也能达到 90%。不使用 re-ranking 也能达到这个水平,代表速度上会快很多,也同时减少计算资源的使用。原因是re-ranking(例如现今常用的 k-recipical 方法)即使再简单,也需要消耗内存把某范围内的数据暂存,并进行分析和对比。而有不少算法是非常依赖 re-ranking 来达到高准确度。缺少了这个依赖,这使得千视通的算法在实际产品内产生优势。


首位命中率97.1%,千视通跨镜追踪(ReID)算法破行业记录

千视通作为Re-ID视频结构化技术和应用为核心的计算机视觉科技公司,日前,在跨镜追踪技术(ReID)上取得了重大突破,在Market 1501上的首位命中率(Rank-1 Accuracy)已经达到97.1%,超越人眼识别能力(94%),领先头部厂家,并刷新了今年4月公布的96.6%的世界纪录。同时在CUHK03,Duke MTMC-reID两个数据集上也刷新了之前业内最高纪录,达到了行业state of the art的技术水平,特别是在CUHK03数据集上,Rank 1指标提高了10.7%。

640.webp (2).jpg

注释:Market 1501、DukeMTMC-reID、CUHK03是三个衡量Re-ID技术最通用的数据。

640.webp (3).jpg

640.webp (4).jpg

640.webp (5).jpg

以上数据由国家超级计算长沙中心以及长沙市公安局刑事侦查支队视频侦查大队测试验证。


Re-ID+人脸识别 加速智能安防建设

人脸识别技术在安防领域已经应用的较为成熟了,但在很多实际场景中,人脸识别技术作用并不突出,因为很多时候,摄像头根本无法抓拍到行人清晰的正面照。Re-ID作为人脸识别的补充,可以有效解决实际应用中跨设备、跨场景的问题,在最近几年计算机视觉研究中受到的关注程度非常高。

受限于视频监控探头的安装高度及密度,实际情况中拍到的更多的是行人的头顶、后脑勺或者侧脸。其次,即便拍到人脸,也可能是模糊不清的。

于是,千视通基于多年实战经验,提出一种卡视联动技战法,结合人脸识别和跨镜追踪(Re-ID)各自的特点及优势,以少量的人脸卡口加大量的普通监控探头的部署,既可锁定嫌疑人身份,又能重现嫌疑人轨迹,这种创新的综合型技战法可以较大概率对监控范围进行覆盖,具有极强的实战价值,对安防行业具有颠覆性意义。

以图搜车、以图搜人、以图搜骑:

640.webp (6).jpg

根据目标出现的时空信息,进行以图搜图迭代,持续追踪形成活动轨迹:

640.webp (7).jpg

360°结构化目标跨境追踪:

640.webp (8).jpg

基于ReID和人脸搜索的卡视联动:

640.webp (9).jpg

除了应用于侦查场景,大型公共场所、超市、火车站、展览馆等,人流量较大,智能寻人也是比较典型的 ReID 应用场景。


在线留言

公司或单位名称:
姓名:
电话:
邮箱:
感兴趣的业务:(多选)
  • 智慧城市
  • 智能轨道交通
  • ICT产品服务
  • 智慧城市交通
  • 商用智能产品
  • 智能多元化支付
  • 互联网+信息服务
其他需求:
提交

感谢您的留言,我们会第一时间联系您!